DOI: https://doi.org/10.33395/sinkron.v10i1.15671
تاريخ النشر: 2026-01-13
المؤلف: Yohandres Segono وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم البحث نظام مراقبة الإجهاد القائم على إنترنت الأشياء (IoT) والذي يستخدم تقنيات التعلم العميق للكشف عن الإجهاد الفسيولوجي في الوقت الحقيقي. تعتمد طرق تقييم الإجهاد التقليدية غالبًا على التقارير الذاتية وتكون محدودة في البيئات الخاضعة للرقابة، بينما يستخدم هذه الدراسة أجهزة استشعار قابلة للارتداء، بما في ذلك مستشعر MAX30102 لقياس نبضات الدم ووحدة Grove-GSR، لمراقبة تقلب معدل ضربات القلب (HRV) واستجابة الجلد الجلفانية (GSR) بشكل مستمر. تعالج بنية الشبكة العصبية التلافيفية (CNN) ذات الفرعين البيانات الزمنية المجمعة، محققة دقة تصنيف تبلغ 91.3% عبر أربعة مستويات من الإجهاد، متجاوزة بشكل كبير نماذج التعلم الآلي التقليدية مثل آلة الدعم الناقل (78.4%)، وغابة عشوائية (81.7%)، وXGBoost (84.3%).
أظهر النظام جدوى عملية بمتوسط زمن استجابة يبلغ 1.47 ثانية وعمر بطارية يتجاوز 13 ساعة، مما يجعله مناسبًا للمراقبة القابلة للارتداء المستمرة. تسهل دمج وحدة التحكم الدقيقة ESP32 DevKit V1 المعالجة الفعالة على الحافة، بينما تدعم طبقة التحليلات السحابية تخزين البيانات والتصور. أشار رد فعل المستخدمين إلى مستوى عالٍ من الراحة وسهولة الاستخدام، مما يشير إلى إمكانيات قوية للتطبيق في الرعاية الصحية الوقائية ومراقبة الصحة النفسية الشخصية. تتماشى البيانات الفسيولوجية المجمعة مع آليات استجابة الإجهاد المعروفة، مما يؤكد قدرة النظام على التقاط التغيرات الكبيرة في نشاط الجهاز العصبي اللاإرادي بشكل فعال.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القلق المتزايد بشأن الإجهاد كقضية صحية هامة، معترف بها من قبل منظمة الصحة العالمية لتأثيرها على الرفاهية البدنية والنفسية. تقتصر الطرق التقليدية لتقييم الإجهاد، مثل الاستبيانات الذاتية، على قدرتها على التقاط التغيرات الفسيولوجية في الوقت الحقيقي. وقد أدى ذلك إلى تطوير أنظمة مراقبة الإجهاد الموضوعية والمستمرة وغير الغازية، مستفيدة من التقدم في تكنولوجيا الأجهزة القابلة للارتداء وإنترنت الأشياء (IoT) لجمع البيانات وتحليلها في الوقت الحقيقي.
تشدد الورقة على إمكانيات المؤشرات الفسيولوجية مثل تقلب معدل ضربات القلب (HRV) واستجابة الجلد الجلفانية (GSR) كعلامات موثوقة للإجهاد. ومع ذلك، لا تزال هناك تحديات في تصنيف مستويات الإجهاد بدقة بسبب الطبيعة غير الخطية لهذه الإشارات والتباين الفردي. بينما أظهرت الشبكات العصبية التلافيفية (CNNs) وعدًا في تعلم الميزات تلقائيًا من البيانات الزمنية، تعتمد الأنظمة الحالية غالبًا على إعدادات مختبرية خاضعة للرقابة وميزات مصنوعة يدويًا، مما يحد من تطبيقها العملي في السيناريوهات الواقعية. لمعالجة هذه الفجوات، تقترح الدراسة نظام مراقبة الإجهاد القائم على إنترنت الأشياء باستخدام CNN ثنائية الفرع لتصنيف الإجهاد على مستويات متعددة، بهدف تعزيز الدقة وسهولة الاستخدام في بيئات المراقبة المستمرة. تشمل الأهداف تصميم بنية إنترنت الأشياء للمعالجة في الوقت الحقيقي، وتطوير نموذج CNN شامل، والتحقق من أداء النظام وملاءمته للتطبيقات القابلة للارتداء.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم الكبير والتحديات المستمرة في دمج تكنولوجيا إنترنت الأشياء (IoT) والتعلم العميق (DL) لأنظمة مراقبة الإجهاد. ويؤكد على الدور الحاسم للإشارات الفسيولوجية، وخاصة تقلب معدل ضربات القلب (HRV) واستجابة الجلد الجلفانية (GSR)، كعلامات موثوقة للإجهاد. بينما أظهرت الدراسات الحالية إمكانيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، في أتمتة استخراج الميزات من هذه الإشارات، كانت العديد من الأساليب محدودة في البيئات الخاضعة للرقابة، مما يثير القلق بشأن قابليتها للتعميم على التطبيقات الواقعية. تكشف الأدبيات عن فجوة في تطوير الأنظمة التي يمكن أن تجمع بشكل فعال بين تعلم الميزات الآلي وقدرات المراقبة المستمرة في الأجهزة القابلة للارتداء ذات الموارد المحدودة.
علاوة على ذلك، لا يزال دمج إنترنت الأشياء وDL للكشف عن الإجهاد غير مستكشف بشكل كافٍ، خاصة من حيث التصنيف متعدد المستويات الذي يمكن أن يوفر رؤى دقيقة حول مستويات الإجهاد. تركز الأنظمة الحالية بشكل أساسي على التصنيفات الثنائية، والتي قد لا تكون كافية للتدخلات الشخصية. تحدد الورقة أيضًا مخاوف كبيرة تتعلق بالأمان والخصوصية المرتبطة بنقل البيانات الفسيولوجية الحساسة، مما يبرز الحاجة إلى هياكل آمنة يمكن أن تحمي بيانات المستخدم مع الحفاظ على قدرات المعالجة في الوقت الحقيقي. بشكل عام، تؤكد البحث على ضرورة وجود نهج متكامل يجمع بين دمج البيانات متعددة الأنماط، وتقنيات التعلم العميق القوية، وإطارات إنترنت الأشياء الآمنة لتعزيز فعالية وقابلية تطبيق أنظمة مراقبة الإجهاد في البيئات اليومية.
DOI: https://doi.org/10.33395/sinkron.v10i1.15671
Publication Date: 2026-01-13
Author(s): Yohandres Segono et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research presents an innovative Internet of Things (IoT)-based stress monitoring system that utilizes deep learning techniques for real-time physiological stress detection. Traditional stress assessment methods often rely on subjective self-reports and are limited to controlled environments, whereas this study employs wearable sensors, including a MAX30102 photoplethysmography sensor and a Grove-GSR module, to continuously monitor Heart Rate Variability (HRV) and Galvanic Skin Response (GSR). A dual-branch Convolutional Neural Network (CNN) architecture processes the collected time-series data, achieving a classification accuracy of 91.3% across four stress levels, significantly surpassing conventional machine learning models such as Support Vector Machine (78.4%), Random Forest (81.7%), and XGBoost (84.3%).
The system demonstrated practical viability with an average latency of 1.47 seconds and a battery life exceeding 13 hours, making it suitable for continuous wearable monitoring. The integration of the ESP32 DevKit V1 microcontroller facilitates efficient edge processing, while a cloud analytics layer supports data storage and visualization. User feedback indicated high comfort and usability, suggesting strong potential for real-world application in preventive healthcare and personalized mental wellness monitoring. The physiological data collected aligned with established stress response mechanisms, confirming the system’s capability to effectively capture significant changes in autonomic nervous system activity.
Introduction
The introduction of the research paper highlights the growing concern of stress as a significant health issue, recognized by the World Health Organization for its impact on physical and psychological well-being. Traditional methods for assessing stress, such as self-reported questionnaires, are limited in their ability to capture real-time physiological changes. This has led to the development of objective, continuous, and noninvasive stress monitoring systems, leveraging advancements in wearable technology and the Internet of Things (IoT) for real-time data acquisition and analysis.
The paper emphasizes the potential of physiological indicators like Heart Rate Variability (HRV) and Galvanic Skin Response (GSR) as reliable markers of stress. However, challenges remain in accurately classifying stress levels due to the nonlinear nature of these signals and individual variability. While Convolutional Neural Networks (CNNs) have shown promise in automatically learning features from time-series data, existing systems often rely on controlled laboratory settings and handcrafted features, limiting their practical application in real-world scenarios. To address these gaps, the study proposes an IoT-based stress monitoring system utilizing a dual-branch CNN for multi-level stress classification, aiming to enhance accuracy and usability in continuous monitoring environments. The objectives include designing an IoT architecture for real-time processing, developing an end-to-end CNN model, and validating the system’s performance and practicality for wearable applications.
Discussion
The discussion section of the research paper highlights the significant advancements and ongoing challenges in the integration of Internet of Things (IoT) technology and deep learning (DL) for stress monitoring systems. It emphasizes the critical role of physiological signals, particularly Heart Rate Variability (HRV) and Galvanic Skin Response (GSR), as reliable indicators of stress. While existing studies have demonstrated the potential of deep learning, particularly Convolutional Neural Networks (CNNs), in automating feature extraction from these signals, many approaches have been limited to controlled environments, raising concerns about their generalizability to real-world applications. The literature reveals a gap in the development of systems that can effectively combine automated feature learning with continuous monitoring capabilities in resource-constrained wearable devices.
Moreover, the integration of IoT and DL for stress detection remains underexplored, particularly in terms of multi-level classification that could provide nuanced insights into stress levels. Current systems predominantly focus on binary classifications, which may not suffice for personalized interventions. The paper also identifies significant security and privacy concerns associated with transmitting sensitive physiological data, highlighting the need for secure architectures that can protect user data while maintaining real-time processing capabilities. Overall, the research underscores the necessity for an integrated approach that combines multimodal data fusion, robust deep learning techniques, and secure IoT frameworks to enhance the efficacy and applicability of stress monitoring systems in everyday settings.